深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
1201	2024-08-30	Design and Evaluation of a Handheld Robotic Device for Peripheral Catheterization 2022-Jun-01, Journal of medical devices DOI:10.1115/1.4053688 PMID:35284032	研究论文	本文介绍了一种手持式机器人设备VeniBot，用于高精度重复执行外周导管插入	该设备结合了超声成像、微型机器人技术和机器学习，以安全高效地将导管鞘引入外周血管	NA	验证手持式机器人设备在半自动外周导管插入中的可行性	手持式机器人设备VeniBot及其在组织模拟模型上的性能	机器人技术	NA	超声成像、机器学习	深度学习算法	图像	240个组织模拟模型
1202	2024-08-30	ETL-YOLO v4: A face mask detection algorithm in era of COVID-19 pandemic 2022-Jun, Optik DOI:10.1016/j.ijleo.2022.169051 PMID:35411120	研究论文	本文提出了一种改进的ETL-YOLO v4算法，用于在COVID-19大流行期间进行口罩检测	ETL-YOLO v4通过改进的特征提取和预测网络，以及添加修改后的密集SPP网络和额外的检测层，提高了检测精度	NA	提高口罩检测算法的准确性	口罩检测	计算机视觉	NA	深度学习	CNN	图像	使用了Mosaic和CutMix数据增强技术，未具体说明样本数量
1203	2024-08-30	Machine learning to navigate fitness landscapes for protein engineering 2022-06, Current opinion in biotechnology IF:7.1Q1 DOI:10.1016/j.copbio.2022.102713 PMID:35413604	综述	本文综述了机器学习在蛋白质工程中的应用，特别是如何利用机器学习方法来理解和预测蛋白质序列、结构和功能之间的关系	介绍了新的序列表示策略以提高数据效率建模，并描述了机器学习在蛋白质工程流程中的多种应用方式	NA	探讨机器学习在蛋白质工程中的最新进展	蛋白质序列、结构和功能之间的关系	机器学习	NA	机器学习	监督学习方法、生成模型	实验数据	NA
1204	2024-08-30	Brain tumor image generation using an aggregation of GAN models with style transfer 2022-06-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12646-y PMID:35650252	研究论文	本文提出了一种结合多种生成对抗网络（GAN）模型与风格迁移技术的脑肿瘤图像生成方法	通过聚合三种基础GAN模型（两种深度卷积生成对抗网络DCGAN和一种Wasserstein GAN）并应用风格迁移技术，提高了合成MRI脑肿瘤图像的质量	文章未明确提及具体限制	旨在解决医学图像分析领域中原始数据稀缺和类别不平衡问题	脑肿瘤的合成MRI图像	计算机视觉	脑肿瘤	生成对抗网络（GAN）	DCGAN, WGAN	图像	使用了两个公开数据集：脑肿瘤数据集和多模态脑肿瘤分割挑战（BraTS）2020数据集
1205	2024-08-30	Efficient Adversarial Generation of Thermally Activated Delayed Fluorescence Molecules 2022-May-31, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.2c02253 PMID:35664624	研究论文	本文介绍了一种集成框架，通过结合算法合成、深度预测、对抗生成和精细筛选模块，有效设计用于有机发光二极管设备的TADF分子	引入了对抗生成模型来探索所需的化学空间，并通过深度学习辅助高效生成新的D-A分子	NA	开发一种有效的设计方法，用于生成适用于有机发光二极管设备的TADF分子	TADF分子及其在有机发光二极管设备中的应用	机器学习	NA	对抗生成模型	对抗自编码器	分子结构	NA
1206	2024-08-30	Age Estimation of Faces in Videos Using Head Pose Estimation and Convolutional Neural Networks 2022-May-31, Sensors (Basel, Switzerland) DOI:10.3390/s22114171 PMID:35684792	研究论文	本文提出了一种结合年龄估计和头部姿态估计的系统，以提高从视频中人脸的年龄估计性能	使用深度回归森林（DRFs）进行年龄估计，并利用多损失卷积神经网络进行头部姿态估计，通过设定头部姿态阈值来细化年龄估计值	仅在Cross-Age Celebrity Dataset（CACD）和Asian Face Age Dataset（AFAD）上进行了实验验证	提高视频中人脸年龄估计的准确性和可靠性	视频中的人脸年龄估计	计算机视觉	NA	深度回归森林（DRFs），卷积神经网络	卷积神经网络	图像	使用了Cross-Age Celebrity Dataset（CACD）和Asian Face Age Dataset（AFAD）中的图像数据
1207	2024-08-30	Hybrid and Deep Learning Approach for Early Diagnosis of Lower Gastrointestinal Diseases 2022-May-27, Sensors (Basel, Switzerland) DOI:10.3390/s22114079 PMID:35684696	研究论文	本文提出了一种混合和深度学习方法，用于早期诊断下消化道疾病	研究中开发了多种多方法学系统，每个系统包含多种诊断方法，如使用人工神经网络（ANN）、前馈神经网络（FFNN）、局部二值模式（LBP）、灰度共生矩阵（GLCM）、模糊颜色直方图（FCH）算法以及预训练的CNN模型（GoogLeNet和AlexNet）进行特征提取和分类	NA	旨在通过早期检测肿瘤类型来提高患者的生存率	下消化道疾病，包括出血、溃疡、息肉和恶性肿瘤	机器学习	消化系统疾病	人工神经网络（ANN）、前馈神经网络（FFNN）、局部二值模式（LBP）、灰度共生矩阵（GLCM）、模糊颜色直方图（FCH）、卷积神经网络（CNN）	CNN、ANN、FFNN	图像	5000帧视频帧
1208	2024-08-30	Intelligent Fault Detection and Classification Based on Hybrid Deep Learning Methods for Hardware-in-the-Loop Test of Automotive Software Systems 2022-May-27, Sensors (Basel, Switzerland) DOI:10.3390/s22114066 PMID:35684686	研究论文	本文提出了一种基于混合深度学习方法的智能故障检测与分类模型，用于汽车软件系统的硬件在环测试	使用混合深度学习技术，结合卷积神经网络（CNN）和长短期记忆网络（LSTM），提高了故障检测和分类的性能	研究中仅考虑了八种类型的传感器故障，可能未覆盖所有潜在故障	开发一种高效的基于历史数据集的故障检测与分类方法，以分析硬件在环测试过程中的记录	汽车软件系统的硬件在环测试中的故障检测与分类	机器学习	NA	深度学习	CNN和LSTM	传感器数据	八种类型的传感器故障数据
1209	2024-08-30	Explainable Vision Transformers and Radiomics for COVID-19 Detection in Chest X-rays 2022-May-26, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm11113013 PMID:35683400	研究论文	研究使用可解释的视觉变换器（ViT）和放射组学方法在胸部X光片上检测COVID-19	采用视觉变换器（ViT）模型，能够捕捉全局上下文，并有效识别COVID-19的迹象	NA	提高COVID-19检测的准确性和效率	胸部X光片（CXR）图像中的COVID-19、肺炎和正常病例	计算机视觉	COVID-19	视觉变换器（ViT）	ViT	图像	7598张COVID-19 CXR图像，8552张健康患者CXR图像，5674张肺炎CXR图像
1210	2024-08-30	Fast machine learning annotation in the medical domain: a semi-automated video annotation tool for gastroenterologists 2022-May-25, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-022-01001-x PMID:35614504	研究论文	本文介绍了一种用于胃肠病学家的半自动化视频标注工具，旨在减少领域专家的工作量并提高标注速度	该框架通过让领域专家仅在病理序列的开始和结束处进行关键标注，然后由非专家标注者在机器学习的辅助下填补中间帧的标注，从而显著减少了专家的工作量	NA	开发一种能够减少医学领域专家在视频标注中工作量的半自动化工具	胃肠病学领域的视频数据标注	机器学习	NA	NA	对象检测模型	视频	10名参与者参与的前瞻性研究
1211	2024-08-30	Artificial Intelligence and Circulating Cell-Free DNA Methylation Profiling: Mechanism and Detection of Alzheimer's Disease 2022-05-25, Cells IF:5.1Q2 DOI:10.3390/cells11111744 PMID:35681440	研究论文	本研究通过分析阿尔茨海默病（AD）患者的循环游离DNA（cfDNA）甲基化谱，利用六种人工智能（AI）平台进行AD诊断，并进行了富集分析以阐明AD的发病机制	首次报道使用cfDNA进行全基因组DNA甲基化研究以检测AD	NA	探索阿尔茨海默病的病理生理机制，并开发新的诊断方法	阿尔茨海默病患者和认知正常的对照组的cfDNA	机器学习	阿尔茨海默病	DNA甲基化分析	深度学习（DL）	DNA	3684个CpG位点
1212	2024-08-30	Added Value of Viscoelasticity for MRI-Based Prediction of Ki-67 Expression of Hepatocellular Carcinoma Using a Deep Learning Combined Radiomics (DLCR) Model 2022-May-24, Cancers IF:4.5Q1 DOI:10.3390/cancers14112575 PMID:35681558	研究论文	本研究旨在探讨通过磁共振弹性成像（MRE）测量的粘弹性在基于深度学习结合放射组学（DLCR）模型预测肝细胞癌（HCC）Ki-67表达中的附加价值	本研究首次将MRE测量的粘弹性参数（剪切波速度和相位角）引入DLCR模型，显著提高了Ki-67表达预测的性能	本研究为回顾性研究，样本量相对较小，且未提及模型的泛化能力在其他类型癌症中的表现	探索MRE测量的粘弹性在DLCR模型中预测HCC Ki-67表达的附加价值	肝细胞癌（HCC）患者的Ki-67表达	机器学习	肝细胞癌	磁共振弹性成像（MRE）	CNN（卷积神经网络）	图像	108名经组织病理学证实的HCC患者，分为训练组87人，测试组21人，独立验证组43人
1213	2024-08-30	A Deep Learning Method Approach for Sleep Stage Classification with EEG Spectrogram 2022-05-23, International journal of environmental research and public health DOI:10.3390/ijerph19106322 PMID:35627856	研究论文	本文提出了一种基于脑电图（EEG）频谱图的深度学习方法，用于睡眠阶段分类	设计了一种名为EEGSNet的深度学习模型，结合多层卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM），并使用高斯误差线性单元（GELU）作为CNN的激活函数，以提高模型的泛化能力	NA	提高睡眠阶段分类的准确性和效率	睡眠阶段的分类	机器学习	NA	脑电图（EEG）	CNN和Bi-LSTM	频谱图	使用了四个公共数据库：Sleep-EDFX-8, Sleep-EDFX-20, Sleep-EDFX-78, 和SHHS
1214	2024-08-30	Integration of Deep Learning Network and Robot Arm System for Rim Defect Inspection Application 2022-May-22, Sensors (Basel, Switzerland) DOI:10.3390/s22103927 PMID:35632335	研究论文	本研究结合深度学习和卷积神经网络，利用eye-in-hand架构自动化检测电动汽车锻造铝轮毂的缺陷	采用生成对抗网络（GAN）和深度卷积生成对抗网络（DCGAN）生成额外图像以扩展训练数据集，并开发了基于YOLO算法的缺陷检测算法，提高了检测速度和平均精度	NA	实现工业规模制造中轮毂缺陷的自动化检测	电动汽车锻造铝轮毂的表面缺陷	计算机视觉	NA	卷积神经网络	YOLO算法	3D图像	涉及四种表面缺陷类型：污点、油漆污渍、划痕和凹痕
1215	2024-08-30	COVLIAS 1.0Lesion vs. MedSeg: An Artificial Intelligence Framework for Automated Lesion Segmentation in COVID-19 Lung Computed Tomography Scans 2022-May-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12051283 PMID:35626438	研究论文	本文提出了一种人工智能框架COVLIAS 1.0Lesion，用于自动分割COVID-19肺部CT扫描中的病变区域	结合单一深度学习（DL）和混合深度学习（HDL）模型，提高了病变定位和分割的速度和准确性	NA	开发一种快速且准确的人工智能模型，用于自动分割COVID-19肺部CT扫描中的病变区域	COVID-19肺部CT扫描中的病变区域	计算机视觉	肺部疾病	深度学习	ResNet-UNet	图像	3000张图像，来自40名COVID-19阳性患者
1216	2024-08-30	upU-Net Approaches for Background Emission Removal in Fluorescence Microscopy 2022-May-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050142 PMID:35621906	研究论文	本文提出了一种基于U-Net架构的深度学习方法，用于去除荧光显微镜图像中的背景发射	本文创新性地使用Perlin噪声模型来模拟荧光现象，并提出了一种新的U-Net架构，能够有效去除荧光背景并同时对高斯和泊松噪声进行去噪	NA	研究目的是利用深度学习技术去除荧光显微镜图像中的背景发射	荧光显微镜图像中的背景发射	计算机视觉	NA	深度学习	U-Net	图像	实际显微镜图像
1217	2024-08-30	Image Augmentation Techniques for Mammogram Analysis 2022-May-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050141 PMID:35621905	研究论文	本文调查了用于乳腺X线图像的不同数据增强技术，旨在提供基于基础学习和深度学习增强技术的见解	本文介绍了数据增强技术，通过利用各种变换增加训练集大小，以提高模型在新数据上的性能	由于隐私和法律问题，难以获得大型医学图像数据集，导致许多监督深度学习模型容易过拟合	探讨如何通过数据增强技术提高医学影像分析中深度学习模型的性能	乳腺X线图像	计算机视觉	NA	数据增强	深度学习	图像	大多数可自由访问的生物医学图像数据集规模较小
1218	2024-08-30	Deep Learning-Based Diagnosis of Alzheimer's Disease 2022-May-18, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm12050815 PMID:35629237	review	本研究综述了使用深度学习技术在阿尔茨海默病诊断中的最新进展和趋势	深度学习技术在阿尔茨海默病诊断中显示出比传统机器学习模型更高的准确性	尽管深度学习在阿尔茨海默病诊断中显示出潜力，但仍存在一些挑战需要解决	探索深度学习在阿尔茨海默病诊断中的潜力	阿尔茨海默病	machine learning	geriatric disease	deep learning	NA	NA	NA
1219	2024-08-30	A New Look at the Spin Glass Problem from a Deep Learning Perspective 2022-May-14, Entropy (Basel, Switzerland) DOI:10.3390/e24050697 PMID:35626580	研究论文	本文提出了一种使用定制深度神经网络计算受挫自旋玻璃模型热力学平均值的新方法	提出了模拟自旋晶格结构的特殊神经网络架构，提高了学习速度和预测准确性	NA	从深度学习角度重新审视自旋玻璃问题	自旋玻璃模型	机器学习	NA	深度神经网络	神经网络	图	NA
1220	2024-08-30	Leveraging Tweets for Artificial Intelligence Driven Sentiment Analysis on the COVID-19 Pandemic 2022-May-13, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare10050910 PMID:35628045	研究论文	本文提出了一种基于向日葵优化和深度学习驱动的情感分析与分类模型（SFODLD-SAC），用于分析COVID-19疫情期间的推文情感	该研究的创新点在于设计了包含向日葵算法（SFO）的SFODLD-SAC模型，用于优化级联循环神经网络（CRNN）模型的超参数，以提高情感分析的准确性	NA	研究目的是通过分析社交媒体上的用户生成内容，了解人们在COVID-19疫情期间的情感表达，从而辅助制定健康干预政策和意识提升活动	研究对象是COVID-19疫情期间的推文情感	自然语言处理	NA	自然语言处理（NLP）和深度学习（DL）	级联循环神经网络（CRNN）	文本	使用来自Kaggle仓库的基准数据集进行模拟分析